随着中国经济的飞速发展以及城市化进程的持续加速,城市里生活垃圾的产出量年复一年地增加,成为全球生产垃圾最多的国家,我国城市的生活垃圾问题日益严重。长期以来,我国对垃圾分类的意识淡薄使得垃圾围城愈演愈烈,所以从源头上进行垃圾分类迫在眉睫。进行城市生活垃圾分类是垃圾处理向资源利用型转变的基本要求,也是推进环境治理的有效途径。我国前几年还存在着大量的拾荒者,他们承担着一部分城市生活垃圾的分类工作,但是近几年来,产能过剩和原材料价格的下降直接影响到废品的价格降低,从而使得拾荒大军逐渐退出我们的生活,这在客观上也使得垃圾分类变得紧迫。推动城市垃圾分类工作的顺利开展,一方面需要我们在制度上的不断完善和在意识水平上的不断提升,另一方面也需要我们提高生活垃圾精准分类的能力。但是仅仅依靠居民的已有认知进行垃圾分类,难免会出现垃圾类别错分的情况。随着科学的进步,技术的进步,借助机器进行图像分类的工作已经不足为奇了。传统的机器学习方法进行图像分类大多都是基于图像特征的分类,就是根据不同类别图像的差异,利用图像处理算法提出相应的经过定性或定量表达的特征,对这些特征进行分类。图像分类效果的好坏很大程度上由提取特征的好坏决定,而提取出的图像特征又会因实验者的不同而有很大的差别。所以通过计算机自动提取特征的方式可以很大程度上提高图像分类的准确性和稳定性。近几年,深度学习技术取得了非常快速的发展。深度学习主要是通过模仿生物神经元之间连接和通信的过程来搭建神经网络,从而实现对于数据的分析处理。而这些网络层可以实现对于图像特征的自动提取,因此,深度学习在图像分类问题上有着比机器学习准确度更高的优势,深度学习技术也由此在图像分类领域发挥着越来越重要的作用。所以本文采用深度学习的方法进行生活垃圾图像的分类。本文首先在生活垃圾图像数据集上进行了探索性数据分析,主要对图像类别的分布以及图像尺寸的分布进行统计分析和可视化展示:本文的生活垃圾图像按照其他垃圾、厨余垃圾、可回收物、有害垃圾四类下细分的40个小类进行分类预测,属于40分类的多分类预测问题;数据的宽度/高度比平均分布在1左右。然后有针对性进行数据增强,首先对图片进行缩放操作,然后将图片以50%的概率进行水平和垂直方向上的翻转,最后以随机概率旋转图片。图像增强之后首先使用AlexNet、VGG、ResNet50、ResNeXt101这四种卷积神经网络架构进行模型训练,并通过有无迁移学习的对比实验,得出经过迁移学习的模型准确率要高于未经过迁移学习的模型的结论,且四种卷积神经网络中ResNeXt101的准确率最高。然后对ResNeXt网络架构进行改进:针对网络中的每一个残差快后面加上一个注意力模块,使得模型可以有重点的提取图像信息。实验证明改进后的ResNeXt在生活垃圾图像分类上有着更高的准确率。最后将Flask搭建的生活垃圾图像分类Web框架传到postman上,通过输入垃圾图片,实现生活垃圾图像分类的在线预测。